Bagging은 앙상블 기법의 한 종류로서 여러 개의 예측모형을 결합하여 하나의 향상된 모형을 생성한다. 이 논문에서는 Bagging의 대안으로 Subagging과 Moon Bagging에 대해 다루었다. 이 기법들은 Bagging과 거의 같은 정확도를 유지하면서도 계산이 쉽고 시간을 절약할 수 있는 이점이 있다. 이를 실제 자료에 적용시켜 비교해 본 결과 전체자료의 약 60%를 이용한 Subagging의 정확도가 가장 높았다.;Bagging predictor is a method for generating multiple versions of a predictor and using these to get an aggregated predictor. In this thesis, as an alternative aggregation scheme, we study subagging and moon-bagging. These are computationally cheaper but still show approximately the same accuracy as bagging. This thesis compares the effectiveness of bagging, subagging, and moon-bagging for improving the performance of the decision-tree algorithm. The experiments show that subagging with about 60% subsample is the best.